第 1 章:数据库解决什么问题
会写 SQL 的人很多,能说清"为什么需要数据库"的人不多。这一章不教语法,只解决一个疑问:既然 CSV 和 Excel 也能存数据,为什么还要多学一套东西?
学习目标
- 说清文件存数据在哪三件事上必然崩掉
- 理解关系模型里的表、行、列、主键分别对应现实中的什么
- 知道主键为什么不能随便选,代理键和自然键各有什么代价
- 明白 SQL 是"声明式"语言,这一点决定了它的写法和优化思路
1.1 用文件存数据,会撞上三堵墙
假设你要给一个小书店做后台。最开始的想法一定很简单:用一个 Excel 文件记订单。
订单编号 | 客户姓名 | 客户电话 | 书名 | 单价 | 数量 | 下单时间
1001 | 张三 | 138... | SQL 必知必会 | 49 | 2 | 2025-06-01
1001 | 张三 | 138... | 活着 | 39 | 1 | 2025-06-01
1002 | 李四 | 139... | 数据库系统概念 | 99 | 1 | 2025-06-02十张订单以内,这套方案非常好用。问题从第十一张订单开始出现,而且不是"麻烦一点",是三堵硬墙。
第一堵墙:同一个事实存了多份
上面三行里,"张三"的姓名和电话存了两遍。他改一次手机号,你就得找到所有出现过他的行挨个改;漏改一行,系统里就有两个张三。
这不是"粗心"的问题,是结构的问题:Excel 的每一行都是独立的一条记录,行与行之间没有"这是同一个人"的关系。人脑知道第一行和第二行是同一个张三,文件不知道。
第二堵墙:查询只能靠人眼扫
"上个月哪些书卖得最好?"——在 Excel 里,你得先按月份筛,再按书名排序,再手动加数量。数据量一大,筛选条件一复杂(比如"排除退款订单、只算已付款、按客户所在城市分组"),Excel 的公式就会变成一坨没人敢动的嵌套。
更关键的是每次查询都要重新做一遍。今天算一次,明天数据变了再算一次,没人能保证两次用的是同一套口径。
第三堵墙:并发写入会互相覆盖
两个人同时在改这个文件:一个在加订单,一个在改库存。谁后保存,谁就覆盖对方。Excel 没有"锁"的概念,它不知道有人在编辑同一块数据。
这一堵墙最致命——它不是慢,是数据会错,而且错得悄无声息。
数据库是怎么解决的
三堵墙对应三个能力:
| 墙 | 数据库的解法 | 关键词 |
|---|---|---|
| 事实重复存 | 拆表,用 ID 关联,一份事实只存一处 | 规范化、外键 |
| 查询靠人眼 | 用 SQL 描述条件,由数据库负责算 | 声明式查询、索引 |
| 并发互相覆盖 | 加锁与事务,保证同时写也不乱 | 事务、隔离级别 |
这一章讲第一件事,第二件贯穿第 3–7 章,第三件在第 10 章。
1.2 关系模型:把世界拆成几张表
数据库解决"事实重复存"的办法,是把一张大宽表拆成几张窄表,每张表只负责一类事实。
小书店拆完是四张表:
拆开之后:
- 张三的手机号只在
customers里存一份,改一次就够; - 订单不再记客户姓名,只记
customer_id = 1,指向customers里那一行; - 明细不再记书名和单价,只记
book_id,书名去books里查。
这就是关系模型:数据存在表里,表之间靠"某一行的 ID"建立关系。
表、行、列
三个词对应三个日常概念:
| 术语 | 是什么 | 小书店里 |
|---|---|---|
| 表(table) | 一类事物的集合 | books 存所有书 |
| 行(row / record) | 一个具体对象 | books 里的一行就是《活着》 |
| 列(column / field) | 对象的一个属性 | price 是价格,stock 是库存 |
和 Excel 的对应关系很直观:一张工作表 ≈ 一张表,一行 ≈ 一条记录,一列 ≈ 一个字段。区别在于:Excel 的列没有类型约束,数据库的列有——price 列只接受数字,往里塞 "很贵" 会被直接拒绝。
类型约束看起来是限制,其实是保护。 它保证你查询 price > 50 时,不会因为某几行存的是字符串而算出莫名其妙的结果。
1.3 主键:一行的身份证
拆表之后,订单表要靠 customer_id 指向客户。那"指向哪一行"这件事,靠什么确定?
靠主键(primary key):表里能唯一标识一行的那一列(或几列)。
主键有两条硬性要求:
- 唯一:两张订单不能共用同一个订单号;
- 非空:不能有"没有编号"的订单。
自然键与代理键
选主键有两种思路。
自然键:用现实世界本来就有的唯一标识。客户用身份证号,书用 ISBN。
好处是"有意义",看一眼就知道是谁。坏处是现实会变:ISBN 换版会变,身份证号有升位历史,邮箱可以改。主键一变,所有引用它的地方都得跟着改——这恰恰是我们拆表想避免的事。
代理键:数据库自己生成一个和业务无关的编号,1, 2, 3...。
小书店用的就是代理键:books.id、customers.id 都是自增整数。它没有业务含义,但永远不会变,所以引用它的地方永远安全。
经验法则:主键优先用代理键,业务上的唯一性(邮箱、ISBN)用"唯一约束"另外保证。两者不冲突。
主键还决定了另一件事:顺序
SQLite 里 INTEGER PRIMARY KEY 有一个特殊身份:它直接映射到表内部的 rowid,是这个表实际存储顺序的依据。这意味着按主键查询极快,也意味着主键最好单调递增——插入总在末尾,不会在中间挖洞。
用 UUID 当主键不是不行,但那是分布式场景的取舍(多台机器同时生成不冲突),代价是索引变大、插入变随机。单机小项目,自增整数更划算。
1.4 SQL 是"说需求",不是"写步骤"
最后要理解 SQL 这种语言的性质,它决定了后面所有章节的写法。
假设要查"北京客户买过的书"。用 Python 直接操作文件,你得写一串步骤:
# 伪代码:遍历 → 判断 → 收集
for row in orders:
if customers[row.customer_id].city == '北京':
for item in order_items_of(row.id):
result.append(books[item.book_id].title)SQL 只需要一句话:
SELECT DISTINCT b.title
FROM orders o
JOIN customers c ON c.id = o.customer_id
JOIN order_items i ON i.order_id = o.id
JOIN books b ON b.id = i.book_id
WHERE c.city = '北京';注意差别:没有循环,没有"先干什么再干什么"。你描述的是"结果长什么样、要满足什么条件",具体怎么找、先扫哪张表、要不要用索引,由数据库自己决定。
这叫声明式(declarative)。它带来两个后果:
- 好处:同一条 SQL,数据量小的时候和 million 级的时候都能跑,优化器会换策略;
- 代价:你无法直接控制执行过程,所以写得慢的时候必须去看执行计划(第 9 章)。
这也是为什么"SQL 写得好"不等于"语法背得熟"——语法就那几条,真正拉开差距的是知道数据库会怎么执行你的需求。
1.5 数据库不只有关系型
严格说,"数据库"是个大类。你以后会遇到的至少有四种:
| 类型 | 代表 | 擅长 | 在这套课程里的位置 |
|---|---|---|---|
| 关系型 | SQLite、PostgreSQL、MySQL | 结构化数据、事务、复杂查询 | 本课程主线 |
| 键值 | Redis | 缓存、计数器、会话 | L3《Redis 与向量数据库》 |
| 文档 | MongoDB | 结构不固定的 JSON | 了解即可,不作为主线 |
| 向量 | pgvector、Milvus | 语义相似度检索 | L4 RAG 再展开 |
为什么要以关系型为主线?因为它是后端的地基。用户、订单、权限、日志,这些必须准确、必须能对账的数据,几乎都存在关系型库里。键值和向量库是加速层和检索层,它们解决的是"快"和"像",不是"准"。
先把地基打牢,上面加什么层都不慌。
本章小结
| 要点 | 说明 |
|---|---|
| 文件存数据的三堵墙 | 事实重复、查询靠人眼、并发覆盖 |
| 关系模型的核心动作 | 拆表,用 ID 关联,一份事实只存一处 |
| 主键的两条硬要求 | 唯一、非空 |
| 代理键优于自然键 | 业务标识会变,代理键不会 |
| SQL 是声明式语言 | 描述结果与条件,执行过程交给优化器 |
| 关系型是后端地基 | 键值、文档、向量库是上面加的能力层 |
下一章
理论说完了,该动手了。下一章我们用 SQLite 在半小时内建起第一个库:装好命令行、建一张表、插几条数据、跑出第一条查询。全程不需要装服务器,一个文件就是一个库。